論文の概要: Keeping Deep Lithography Simulators Updated: Global-Local Shape-Based
Novelty Detection and Active Learning
- arxiv url: http://arxiv.org/abs/2201.09717v1
- Date: Mon, 24 Jan 2022 14:50:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 20:45:17.699566
- Title: Keeping Deep Lithography Simulators Updated: Global-Local Shape-Based
Novelty Detection and Active Learning
- Title(参考訳): 深部リソグラフィーシミュレータの更新:グローバルな形状に基づくノベルティ検出とアクティブラーニング
- Authors: Hao-Chiang Shao, Hsing-Lei Ping, Kuo-shiuan Chen, Weng-Tai Su,
Chia-Wen Lin, Shao-Yun Fang, Pin-Yian Tsai, Yan-Hsiu Liu
- Abstract要約: 学習に基づくプレシミュレートモデルでは,ICレイアウトから製造回路への加工誘起形状変形が予測される。
モデルトレーニングと更新のために、すべてのレイアウトクリップの参照形状画像を集めるのは高価で時間がかかる。
本稿では,新しい(目に見えない)レイアウトパターンを識別するための,ディープラーニングに基づくレイアウトノベルティ検出手法を提案する。
- 参考スコア(独自算出の注目度): 21.947570061670397
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning-based pre-simulation (i.e., layout-to-fabrication) models have been
proposed to predict the fabrication-induced shape deformation from an IC layout
to its fabricated circuit. Such models are usually driven by pairwise learning,
involving a training set of layout patterns and their reference shape images
after fabrication. However, it is expensive and time-consuming to collect the
reference shape images of all layout clips for model training and updating. To
address the problem, we propose a deep learning-based layout novelty detection
scheme to identify novel (unseen) layout patterns, which cannot be well
predicted by a pre-trained pre-simulation model. We devise a global-local
novelty scoring mechanism to assess the potential novelty of a layout by
exploiting two subnetworks: an autoencoder and a pretrained pre-simulation
model. The former characterizes the global structural dissimilarity between a
given layout and training samples, whereas the latter extracts a latent code
representing the fabrication-induced local deformation. By integrating the
global dissimilarity with the local deformation boosted by a self-attention
mechanism, our model can accurately detect novelties without the ground-truth
circuit shapes of test samples. Based on the detected novelties, we further
propose two active-learning strategies to sample a reduced amount of
representative layouts most worthy to be fabricated for acquiring their
ground-truth circuit shapes. Experimental results demonstrate i) our method's
effectiveness in layout novelty detection, and ii) our active-learning
strategies' ability in selecting representative novel layouts for keeping a
learning-based pre-simulation model updated.
- Abstract(参考訳): ICレイアウトから製造回路への形状変形を予測するために,学習に基づく事前シミュレーション(レイアウト・ツー・ファブリケーション)モデルが提案されている。
このようなモデルは、通常ペアワイズ学習によって駆動され、レイアウトパターンのトレーニングセットと、製造後の参照形状画像を含む。
しかし、モデルトレーニングや更新のために、すべてのレイアウトクリップの参照形状画像を集めるのは高価で時間がかかる。
そこで本研究では,事前学習した事前シミュレーションモデルでは十分に予測できない新しいレイアウトパターンを識別する,ディープラーニングに基づくレイアウト新規性検出手法を提案する。
オートエンコーダとプリトレーニングされた事前シミュレーションモデルという2つのサブネットワークを利用して,レイアウトの潜在的新規性を評価するために,グローバル局所的ノベルティスコアリング機構を考案する。
前者は所定のレイアウトとトレーニングサンプルのグローバルな構造的相違を特徴付け、後者は製造誘起局所変形を表す潜時符号を抽出する。
自己保持機構によって促進される局所変形とグローバルな相似性を統合することで,試験試料の地絡回路形状を使わずに,新規性を正確に検出することができる。
さらに, 検出された新奇性に基づいて, 地中回路形状の獲得に最も有効な代表的なレイアウトの削減をサンプリングする2つのアクティブラーニング戦略を提案する。
実験結果
一 レイアウト新規性検出における方法の有効性及び方法
二 学習前シミュレーションモデル更新のための代表的な新規レイアウト選択におけるアクティブラーニング戦略の能力について
関連論文リスト
- Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-22T02:12:08Z) - Interpretability Illusions in the Generalization of Simplified Models [31.919954514762544]
ディープラーニングシステムを研究する一般的な方法は、単純化されたモデル表現を使用することである。
このアプローチは、これらの単純化された結果が元のモデルに忠実であると仮定する。
単純化された表現がトレーニングセットの完全なモデルを正確に近似できたとしても、モデルの挙動を正確に把握できない可能性があることを示す。
論文 参考訳(メタデータ) (2023-12-06T18:25:53Z) - ZhiJian: A Unifying and Rapidly Deployable Toolbox for Pre-trained Model
Reuse [59.500060790983994]
本稿では、PyTorchバックエンドを利用して、モデル再利用のための包括的でユーザフレンドリなツールボックスであるZhiJianを紹介する。
ZhiJianは、PTMによるターゲットアーキテクチャ構築、PTMによるターゲットモデルチューニング、およびPTMに基づく推論を含む、モデル再利用に関するさまざまな視点を統一する新しいパラダイムを提示している。
論文 参考訳(メタデータ) (2023-08-17T19:12:13Z) - Evaluating Prompt-based Question Answering for Object Prediction in the
Open Research Knowledge Graph [0.0]
本研究は,テクスチャ学習用グラフオブジェクト予測のためのトランスフォーマーの即時学習導入に関する成果を報告する。
学術知識グラフのオブジェクトを予測するためにエンティティと関係抽出パイプラインを提案する他の研究から逸脱する。
i) 期待値当たり、(i) 新たなデータ領域でテストされた場合のトランスフォーマーモデル、(ii) モデルの迅速なトレーニングにより、緩和された評価設定で最大40%の性能向上が達成されることがわかった。
論文 参考訳(メタデータ) (2023-05-22T10:35:18Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳(メタデータ) (2022-10-06T00:33:01Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳(メタデータ) (2022-03-29T21:18:47Z) - Style Curriculum Learning for Robust Medical Image Segmentation [62.02435329931057]
深部セグメンテーションモデルは、トレーニングデータセットとテストデータセットの間の画像強度の分散シフトによって、しばしば劣化する。
本稿では,そのような分散シフトが存在する場合に,ロバストなセグメンテーションを確保するための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-01T08:56:24Z) - Deep Active Learning in Remote Sensing for data efficient Change
Detection [26.136331738529243]
本研究では、変化検出とマップ更新のための深層ニューラルネットワークモデルの文脈におけるアクティブラーニングについて検討する。
アクティブな学習では、最小限のトレーニング例から始まり、ユーザによって注釈付けされた情報的サンプルを徐々に選択する。
能動学習は,高い情報的サンプルの発見に成功し,自動的にトレーニング分布のバランスをとることを示す。
論文 参考訳(メタデータ) (2020-08-25T17:58:17Z) - Local Model Feature Transformations [0.0]
局所学習法は機械学習アルゴリズムの一般的なクラスである。
局所学習モデルの研究は、主に単純なモデルファミリーに限られている。
局所モデリングパラダイムをガウス過程、二次モデル、単語埋め込みモデルに拡張する。
論文 参考訳(メタデータ) (2020-04-13T18:41:03Z) - Novelty Detection via Non-Adversarial Generative Network [47.375591404354765]
新しいデコーダ-エンコーダフレームワークが,新規検出タスクのために提案されている。
非敵対的な枠組みの下では、潜伏空間と画像再構成空間の両方が共同最適化されている。
我々のモデルは、最先端のノベルティ検出器よりも明らかな優位性を持ち、データセットの最先端の結果を達成する。
論文 参考訳(メタデータ) (2020-02-03T01:05:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。